新系统旨在解决人工智能能耗问题

依赖人工智能（AI）的计算机需要大量能量，这种计算能力需求大约每三到四个月就会翻倍。当谈到云计算数据中心时，它们被AI和机器学习应用使用，每年的电力消耗比一些小国还多。许多研究人员警告，这种系统是不可持续的。

由华盛顿大学领导的一组研究人员想出了一个解决方案来帮助解决这个问题 – 人工智能和机器学习的新光计算硬件。这种硬件比传统电子设备更快、更节能。它还可以解决光计算引起的“噪音”问题，这种噪音会干扰计算精度。

该研究于1月21日发表在Science Advances。

使用噪音作为输入

在研究论文中，该团队展示了如何让人工智能和机器学习的光计算系统利用一些噪音作为输入，以增强系统内人工神经网络（ANN）的创造性输出。

Changming Wu是华盛顿大学电气和计算机工程博士生，也是论文的第一作者。

“我们已经建造了一个比传统数字计算机更快的光计算机，”Wu说。“而且，这个光计算机还可以根据光计算噪音生成新的事物，大多数研究人员都试图避免这种噪音。”

光计算噪音是由激光器中的散射光粒子或光子以及背景热辐射引起的。为了针对噪音，该团队将他们的光计算核心连接到一个生成对抗网络（GAN）。然后，他们测试了不同的噪音缓解技术，例如使用一些生成的噪音作为GAN的随机输入。

该团队要求GAN学习像人类一样手写数字“7”，这意味着它必须通过观察手写样本来学习任务，然后反复练习。由于其形式，光计算机必须生成具有类似样本风格的数字图像。

Mo Li是华盛顿大学电气和计算机工程教授，也是论文的通讯作者。

“我们没有训练网络来识别手写数字，而是训练它来学习写数字，模仿它所训练的手写样本，”Li说。“我们还与杜克大学的计算机科学合作伙伴一起展示，GAN可以使用一种对错误和噪音具有鲁棒性的训练算法来减轻光计算硬件噪音的负面影响。更重要的是，网络实际上使用噪音作为生成输出实例所需的随机输入。”

随着GAN继续练习写数字，它发展出了自己独特的书写风格。最终，它能够在计算机模拟中写出从1到10的数字。

构建大规模设备

该团队现在将通过使用当前的半导体制造技术来构建更大规模的设备，这将提高性能并使团队能够执行更复杂的任务。

“这种光学系统代表了一种可以增强人工智能和机器学习中人工神经网络创造力的计算机硬件架构，但更重要的是，它证明了这种系统在大规模上是可行的，在那里噪音和错误可以被减轻甚至利用，”Li说。“人工智能应用正在迅速增长，以至于在未来，它们的能耗将变得不可持续。这种技术有可能帮助减少这种能耗，使人工智能和机器学习变得环境可持续——并且速度更快，整体性能更高。”